Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
International Journal of Machine Learning and Cybernetics
Erschienen in: International Journal of Machine Learning and Cybernetics 1/2015

01.02.2015 | Original Article

An experimental study on stability and generalization of extreme learning machines

verfasst von: Aimin Fu, Chunru Dong, Laisheng Wang

Erschienen in: International Journal of Machine Learning and Cybernetics | Ausgabe 1/2015

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper gives an experimental study on the stability of an extreme learning machine (ELM) and its generalization capability. Focusing on the relationship between uncertainty of an ELM’s output on the training set and the ELM’s generalization capability, the experiments show some new results in the viewpoint of classical pattern recognition. The study provides some useful guidelines to choose a fraction of ELMs with better generalization from an ensemble for classification problems.
Vorheriger Artikel Considering cross-cultural context in the automatic recognition of emotions
Nächster Artikel Subjectivity and awareness

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Schmidt WF, Kraaijveld MA, Duin PW (1992) Feed-forward neural networks with random weights. Proceedings of 11th IAPR International Conference on Pattern Recognition Methodology and Systems, 2: 1–4
2.
Igelnik B, Pao YH (1995) Stochastic choice of basis functions in adaptive function approximation and the functional-link net. IEEE Trans Neural Netw 6(6):1320–1329CrossRef
3.
Li JY, Chow WS, Igelnik B, Pao YH (1997) Comments on “Stochastic choice of basis functions in adaptive function approximation and the functional-link net”. IEEE Trans Neural Netw 8(2):452–454
4.
Broomhead DS, Lowe D (1988) Multivariable functional interpolation and adaptive networks. Complex Syst 2:321–355MATHMathSciNet
5.
Lowe D (1989) Adaptive radial basis function nonlinearities, and the problem of generalization. In: Proceedings of the 1st IEEE Conference on Artificial Neural Networks, London, UK, pp 171–175
6.
Huang GB, Zhu QY, Siew CK (2004) Extreme learning machine: a new learning scheme of feed-forward neural networks. In: Proceedings of 2004 IEEE International Joint Conference on Neural Network, 2: 985–990
7.
Huang GB, Zhu QY, Siew CK (2006) Extreme learning machine: theory and applications. Neurocomputing 70(1):489–501CrossRef
8.
Wang Y, Cao F, Yuan Y (2001) A study on effectiveness of extreme learning machine. Neurocomputing 74(16):2483–2490CrossRef
9.
Wang X, Chen A, Feng H (2001) Upper integral network with extreme learning mechanism. Neurocomputing 74(16):2520–2525CrossRef
10.
Wang XZ, Shao QY, Qing M, Zhai JH (2013) Architecture selection for networks trained with extreme learning machine using localized generalization error model. Neurocomputing 102:3–9CrossRef
11.
Wang R, Kwong S, Wang XZ (2012) A study on random weights between input and hidden layers in extreme learning machine. Soft Comput 16(9):1465–1475CrossRef
12.
Wu J, Wang ST, Chung FL (2011) Positive and negative fuzzy rule system, extreme learning machine and image classification. Int J Mach Learn Cybernet 2(4):261–271CrossRef
13.
Chacko BP, Krishnan VRV, Raju G, Anto PB (2012) Handwritten character recognition using wavelet energy and extreme learning machine. Int J Mach Learn Cybernet 3(2):149–161CrossRef
14.
Huang GB, Wang DH, Lan Y (2011) Extreme learning machines: a survey. Int J Mach Learn Cybernet 2(2):107–122CrossRef
15.
Zhai JH, Xu HY, Wang XZ (2012) Dynamic ensemble extreme learning machine based on sample entropy. Soft Comput 16(9):1493–1502CrossRef
16.
17.
Zhai J, Xu H, Li Y (2013) Fusion of extreme learning machine with fuzzy integral. Int J Uncertain Fuzziness Knowl Based Systems 21(2):23–34CrossRefMathSciNet
18.
19.
Courrieu P (2005) Fast computation of moore-penrose inverse matrices. Neural Inf Process Lett Rev 8(2):25–29
20.
Deluca A, Termini S (1972) A definition of non-probabilistic entropy in the setting of fuzzy sets theory. Inf Control 20:301–312CrossRefMathSciNet
21.
22.
Hansen LK, Salamon P (1990) Neural network ensembles. IEEE Trans Pattern Anal Mach Intell 12:993–1001CrossRef
23.
24.
Wang XZ, Dong CR (2009) Improving generalization of fuzzy if-then rules by maximizing fuzzy entropy. IEEE Trans Fuzzy Syst 17(3):556–567CrossRef
25.
Metadaten
Titel
An experimental study on stability and generalization of extreme learning machines
verfasst von
Aimin Fu
Chunru Dong
Laisheng Wang
Publikationsdatum
01.02.2015
Verlag
Springer Berlin Heidelberg
Erschienen in
International Journal of Machine Learning and Cybernetics / Ausgabe 1/2015
Print ISSN: 1868-8071
Elektronische ISSN: 1868-808X
DOI
https://doi.org/10.1007/s13042-014-0238-0

Weitere Artikel der Ausgabe 1/2015

International Journal of Machine Learning and Cybernetics 1/2015 Zur Ausgabe

Original Article

Period-adding and spiral organization of the periodicity in a Hopfield neural network

Original Article

Subjectivity and awareness

Original Article

Illumination normalization using fuzzy filter in DCT domain for face recognition

Original Article

Image enhancement based on fractional directional derivative

Original Article

A memetic-inspired harmony search method in optimal wind generator design

Original Article

Fuzzy principal-agent model for optimal supplier switching with asymmetric information

Neuer Inhalt

    Bildnachweise